[发明专利]一种制冷系统故障诊断方法

说明书

根据本发明的一种制冷系统故障诊断方法，包括以下步骤：步骤1，通过模拟冷水机组故障实验，采集得到多个实验数据，实验数据经过处理后随机选择组成样本训练集数据及测试样本集数据；步骤2，选取多个不同的成员诊断器，分别得到多个不同的成员诊断器的诊断模型；步骤3，通过多数投票法则将S2中多个不同的诊断模型进行集成，形成集成诊断器模型；步骤4，使用样本训练集数据对集成诊断器模型进行训练，得到训练好的集成诊断器模型；步骤5，使用测试样本集在训练好的集成诊断器模型对冷水机组进行故障诊断，得到故障诊断结果。

技术领域

本发明属于制冷领域，具体涉及一种制冷系统故障诊断方法。

背景技术

传统的诊断系统通常仅采用样本的某种单一特征描述和一个特定的诊断器进行分类，对于类别较多、输入样本带噪声的问题很难获得较好的结果。不同的诊断器性能存在差异，对于在一个诊断器中很难区分的两种特征描述在另一种诊断器上有可能更容易判断。KNN为较简单的消极学习诊断器，根据样本及目标间距离进行诊断。但样本不平衡时，易导致大比例样本在待测目标中占据主导地位。SVM为积极学习诊断器，通过寻找最优决策面对样本分类，较KNN内存资源开销更小，但其对参数调节和和函数的选择敏感，且原始分类器不加修改仅适用于处理二分类问题。DT也为积极学习诊断器，通过计算样本信息熵或基尼指数等系数生成树状模型对样本进行分类。集成学习的目标是将不同的模型组合成为一个元模型，多模型集成建模可以有效解决单一模型建模效率低、泛化能力较差的问题。上述三种诊断器各自诊断原理不同且对样本特征偏重不一样，对于同一组目标样本难以同时取得较优结果，各自具有不同优缺点且适用样本特征范围不同。

发明内容

为了解决上述问题，本发明引入集成方法，同时采用上述多个诊断器生成集成诊断器，使各个诊断器优势互补，在面对同一组目标样本时具有更高的诊断正确率及泛化性能，以期更全面的对制冷系统故障进行诊断。

本发明把制冷系统多个诊断模型进行集成，针对单模型诊断性能不佳、泛化能力不强等问题，提出一种组合了K近邻模型、支持向量机及决策树模型的基于多数投票法则的集成诊断器，使用该集成诊断器能够提高冷水机组故障诊断的准确率，成为冷水机组故障诊断技术在实际应用中的手段之一，具有较好的应用前景。

本发明提供了一种制冷系统故障诊断方法，具有这样的特征，包括以下步骤：步骤1，通过模拟冷水机组故障实验，采集得到多个实验数据，实验数据经过处理后随机选择组成样本训练集数据及测试样本集数据；步骤2，选取多个不同的成员诊断器，分别得到多个不同的成员诊断器的诊断模型；步骤3，通过多数投票法则将S2中多个不同的诊断模型进行集成，形成集成诊断器模型；步骤4，使用样本训练集数据对集成诊断器模型进行训练，得到训练好的集成诊断器模型；步骤5，使用测试样本集在训练好的集成诊断器模型对冷水机组进行故障诊断，得到故障诊断结果。

在本发明提供的制冷系统故障诊断方法中，还可以具有这样的特征：其中，步骤1中，数据采集可分为广泛覆盖的正常工况数据采集与相应的故障模拟数据的采集。

另外，在本发明提供的制冷系统故障诊断方法中，还可以具有这样的特征：其中，对实验数据进行计算后得到虚拟传感器数据。

另外，在本发明提供的制冷系统故障诊断方法中，还可以具有这样的特征：其中，步骤3中，集成诊断器模型的表达式为：

m为模型的个数，i为模型的编号，C_j对应第j个模型，w_j是Cj对应的权重，为集成诊断器的预测类标，χ_A为特征函数[Cj(x)＝i ∈A]，A为类标的集合。

另外，在本发明提供的制冷系统故障诊断方法中，还可以具有这样的特征：其中，如果成员诊断器的预测权重均等，集成诊断器模型的表达式为：

Cm(x)为第m个模型对样本x的预测类标，为集成诊断器的预测类标。